Tech Meridian
← К СУЩНОСТЯМ
ТЕМА · ENTITY #209
Хронология связанных событий, источники и контекст из новостной базы.
AWS Machine Learning опубликовал инструкцию по кастомизации Qwen3-8B с помощью supervised fine-tuning (SFT) и reinforcement learning with verifiable rewards (RLVR) через серверлес-кастомизацию моделей Amazon SageMaker и последующему развертыванию для асинхронного инференса с целью создания экономичной системы тегирования товаров.
AWS Machine Learning рассказывает, как Abnormal AI использовала Code Interpreter в составе AgentCore Amazon Bedrock как эпhemeral compute «песочницу» для агентов, обеспечивающих защиту электронной почты в реальном времени на уровне миллиардов сообщений, и излагает проектные решения по песочнице и практические выводы для эксплуатации Code Interpreter в продакшене.
Ninth Wave разработала Compass — многoагентного AI‑помощника на Amazon Bedrock AgentCore, который проверяет банковские API на соответствие стандартам Financial Data Exchange (FDX), присваивает оценки соответствия и сокращает онбординг в открытых финансах с недель до минут при соблюдении требований SOC 2 и PCI DSS, сообщает AWS Machine Learning.
AWS Machine Learning опубликовал статью с 8‑шаговой схемой принятия решений для выбора подхода к кастомизации генеративного ИИ на AWS, включая промпт‑инжиниринг, RAG, дообучение, продолженное предобучение и Amazon Nova Forge, с рекомендацией начинать с простых методов и переходить к сложным только при необходимости.
AWS Machine Learning рассказывает, как модельные основы упростили прогнозирование спроса по каталогу, а затем демонстрирует создание замкнутого цикла «обнаружить–принять решение–действовать» на Databricks и Amazon Quick, который сопоставляет всплески спроса с доступностью поставщиков в реальном времени и автоматически размещает заказы на пополнение, привлекая человека только если ни один поставщик не может покрыть потребность.
В блоге AWS Machine Learning утверждается, что сравнение моделей по цене за миллион токенов упускает затраты, связанные с результатами, и представлен открытый набор для бенчмаркинга, измеряющий стоимость за правильный ответ, стоимость траекторий агентов и качество результатов по рубрике для моделей OpenAI в Amazon Bedrock.
AWS Machine Learning опубликовал руководство по созданию и развёртыванию MCP-приложений с интерактивными HTML-виджетами с использованием Amazon Bedrock AgentCore. Поскольку MCP Apps — это независимый от хостов стандарт, тот же сервер может обеспечивать одинаковый интерфейс на AI-хостах, которые поддерживают расширение, например ChatGPT и Claude.
Marengo Embed 3.0 от TwelveLabs стала общедоступной как модель эмбеддингов в Amazon Bedrock Knowledge Bases, обеспечивая управляемый семантический поиск на естественном языке по видео, изображениям и аудиоконтенту. В руководстве AWS Machine Learning показано, как создать базу знаний Bedrock на основе Marengo 3.0 и выполнять семантические запросы к медиа.
Amazon объявила о выходе десктоп-версии AI-ассистента Amazon Quick для macOS и Windows в статусе общей доступности. Также появилось новое окно активности в мобильных приложениях на iOS и Android, которое объединяет электронную почту, календарь и CRM; Amazon подчёркивает, что данные остаются в окружении клиента, а беседы конфиденциальны.
AWS Machine Learning опубликовал руководство по созданию сквозного рабочего процесса RFI-анкеты с помощью Amazon Quick Automate: чтение многостраничной RFI-таблицы из Amazon S3, использование подсказок на естественном языке для извлечения и структурирования данных, итеративная доработка через разговорные взаимодействия и запись CSV-выхода обратно в S3. В руководстве утверждается, что такой подход сокращает время разработки с дней до часов.
По данным AWS Machine Learning, разработан настраиваемый детектор, независимый от модели, который с помощью подсказок превращает любую LLM в Amazon Bedrock в детектор PII; поскольку типы сущностей задаются в подсказке, а не в коде, детектор может адаптироваться к новым сущностям без дообучения и (по утверждению AWS) превзошёл готовый инструмент на пяти публичных корпусах и в сравнении с девятью детекторами на базе LLM.
Публикация AWS Machine Learning представляет Agent Evaluation Metric (AEM) — декомпозируемую покадровую метрику для оценки многотуровых диалоговых агентов. В материале показано применение первой размерности AEM — корректности — чтобы выявить конкретный тур, вызвавший сбой, и отделить первопричину от последующих туров, унаследовавших ошибку.
AWS Machine Learning опубликовал пошаговую инструкцию по развёртыванию Qwen3.8-2.4T-A95B — открытой модели с 2,4 триллионами параметров — на Amazon SageMaker HyperPod с использованием vLLM. Руководство описывает подготовку кластера, NVFP4-квантизацию и создание совместимого с OpenAI эндпоинта с встроенным рассуждением, вызовом инструментов и нативным MTP speculative decoding.
Allow Google Analytics to measure visits? It stays off until you choose. You can change your choice at any time.